AI Native 时代，研发组织何去何从？
工程师写代码的时间从 30% 降到了 5%，和 Agent 对话的时间从 5% 升到了 60%。纯编码效率提升 10 倍，但端到端交付效率只提升 2 到 3 倍。这些数字背后藏着一个更根本的问题：当 AI 能写代码之后，研发组织到底是为什么存在的？
一组让人停下来想的数据
最近看到一份内部访谈，问几位深度使用 AI 的工程师「日常时间分配的变化」。结果值得每一个人停下来想一想：
- 写代码的占比，从 30% 降到 5%
- 和 Agent 对话的占比，从 5% 升到 60%
- 查问题的时间下降一半以上
- 纯编码效率提升 10 倍，但端到端需求交付效率只提升 2 到 3 倍
更让人警觉的不是数字本身，是节奏的变化。一个工程师上午 10 点上线新功能、中午做 A/B 测试、下午 3 点根据数据下线、5 点上线更好的版本——同一天完成。这在过去是 6 周的工作量。
编码效率 10 倍提升，但端到端交付只有 2 到 3 倍。中间那 7 到 8 倍的 gap 去哪了？
这个 gap，就是组织的摩擦力。
回到原点：组织为什么存在？
这个问题罗纳德·科斯在 1937 年就回答过：企业之所以存在，是因为市场交易有成本。 找人、谈合同、监督执行、处理纠纷——这些「交易成本」高于内部协调成本时，企业就出现了。
组织的本质功能，就是降低协作的交易成本。
那 AI 改变了什么？AI 把执行成本打到地板价。一个工程师 + AI 能做过去一个团队的事。但组织的摩擦力——对齐、审批、等待、开会、扯皮——这些成本没有被 AI 降低，反而因为执行端加速了，暴露得更明显了。
打个比方：你给一辆跑车换了 F1 引擎，但底盘、悬挂、刹车都没动。引擎越强，其他部件的问题越致命。
这就是现在大多数研发组织的状态——引擎已经是 AI Native 的了，底盘还是工业时代的。
AI Native 不是加个 AI 功能
很多人以为 AI Native 就是在产品里塞个聊天机器人，或者在研发流程里加个 Copilot。这是典型的「在老房子上装智能门锁就说自己是智能家居」。
真正的 AI Native 是三个层面的系统性重构：
产品层面：没有 AI 就不成立。不是「做了个 App，加了个 AI 功能」，而是这个产品从诞生的第一天起，核心价值就由 AI 驱动。比如 Cursor——它不是一个「带 AI 补全的编辑器」，它是「AI 优先的编程环境」。这完全是两个物种。
研发层面：从写代码到写规格。传统开发是「人写代码，AI 辅助」，AI Native 开发是「人写规格，AI 写代码，人做判断」。Spec-Driven Development 正在成为主流范式——规格文档不再是事后补的过场，而是整个研发流程的核心资产。它不光是给人看的，更是给 AI 看的。
组织层面：以模型为中心重构协作。过去组织靠汇报关系运转——你向谁汇报，谁向你汇报。AI Native 组织靠「执行图」运转——任务怎么拆解、权限怎么分配、AI 和人的协作边界在哪。Context 变成组织的血液，谁能系统性地管理 Context，谁就掌握了组织能力。
这三个层面不是并列关系，是层层依赖：AI Native 的产品需要 AI Native 的研发方式来构建，AI Native 的研发需要 AI Native 的组织来支撑。
从「人写代码」到「人写规格」
这个转变可能是未来三年研发组织最大的结构性变化。
传统研发流程里，文档是装饰品——写完了没人看，更新了没人维护，最后变成没有人信的「历史文物」。但在 AI Native 研发里，规格文档变成了生产资料。
怎么写一份好的 Spec？它不是需求文档的翻版。好的 Spec 要包含：清晰的输入输出定义、边界条件、验收标准、和已有系统的交互方式。它不是在描述「要做什么」，而是在定义「做成什么样算对」。
Github 已经开源了 Spec Kit 来支持这套工作流，ThoughtWorks 把它列为值得关注的新兴技术。这不是概念炒作，是实践已经在发生了。
对研发组织来说，这意味着什么？团队的瓶颈从「谁能写代码」变成了「谁能把问题定义清楚」。 以前最值钱的人是能写出高性能代码的工程师。现在最值钱的人是能把模糊需求转化为精确 Spec 的人——他不一定需要会写代码，但他必须理解问题域、知道怎么拆解复杂度、能预判边界条件。
这不就是产品经理的终极形态吗？只不过以前产品经理写 PRD 给人看，现在写 Spec 给 AI 看。
Context Engineering：新的组织核心能力
Anthropic 把 Context Engineering 定义为 Prompt Engineering 的自然演进。Prompt Engineering 关注怎么把提示词写好，Context Engineering 关注怎么系统性地管理模型推理时需要的所有信息——提示词、对话历史、外部文档、工具输出。
听起来很技术，但它对组织的影响是革命性的。
过去组织能力体现在「谁最会开会」「谁最会协调资源」。现在组织能力越来越体现在谁最会构建 Context 底座——谁能把组织的知识、经验、判断标准，整理成 AI 能理解、能使用、能持续更新的形式。
MIT Technology Review 2025 年的一篇文章说得很直白：从 Vibe Coding 到 Context Engineering，代表了 AI 辅助开发的成熟化。早期大家随意和 AI 对话，发现效果不稳定。现在大家意识到，Context 本身是需要工程化管理的系统。
一个人写代码效率 10 倍提升，但端到端交付只提升 2 到 3 倍——那个 gap，很大一部分就是 Context 没管好。需求没写清楚，AI 生成的代码方向就偏了。验收标准没定义好，返工就成了常态。历史决策没有沉淀为可查询的知识，新人（包括新加入的 AI Agent）就没法快速上手。
管理塌缩，新角色涌现
当执行成本被 AI 打下来之后，组织的层级结构会发生什么？
传统的管理金字塔——经理管组长、组长管工程师——这套体系的底层假设是「执行需要大量人力，人力需要层级协调」。当一个人 + AI 能完成过去一个团队的执行量，管理的中间层就失去了存在理由。
不是「裁员」这么简单。是组织结构本身的塌缩。
两个新角色正在浮现：
架构师（Architect）：不是传统意义上画架构图的那个人。是定义「什么值得做」和「怎么做算对」的人。他管理的是 Spec 的质量和 Context 的流通，而不是管理写代码的人。
数字员工（Digital Employee）：AI Agent 不再是工具，而是有明确职责、可被指派任务、可被评估产出的「员工」。管理一个数字员工和管理一个人类员工，需要完全不同的能力——你得会写 Agent 的「岗位说明书」（System Prompt），定义它的「工作流程」（Skill/Task），设置它的「权限边界」（Tool Access）。
这件事已经在发生了。不是未来时，是现在进行时。
大厂的困境：组织基因的进化滞后
最难受的不是小公司，是大厂。
互联网大厂的组织架构是为「人写代码」时代设计的。汇报线、绩效评估、晋升通道、资源调配——整个系统假设的是「一群工程师按层级协作写代码」。当一个人 + AI 能干一个团队的活，这套系统的摩擦力就变成了致命伤。
36氪有一篇分析讲得很透：字节的 Seed 部门设立了不在正式组织架构中的「虚拟小组」，试图打破部门墙。腾讯把 AI 产品线迁移到 CSIG。阿里重启招聘重点补充 AI 新兴岗位。
但这些调整有一个共同的问题：组织架构调了，行为模式没变。 中层管理者难以适应双重指挥体系，大多数企业在 18 个月内会回归原有工作模式。柯达不是不懂数码技术，诺基亚也早预见了智能机趋势——真正阻碍转型的，永远是组织基因的进化滞后。
大厂的另一个死结是评价体系。代码量和技术难度是绩效工具，不是产品成功的衡量标准。但当你试图告诉一个写了十年代码的工程师「从现在开始，你的核心产出不是代码，是 Spec」——这不仅是技能转型，是身份认同的崩塌。
一人公司的结构性机会
反过来看，AI Native 时代对「一人公司」和「超级个体」是结构性利好。
当一个人 + AI = 过去一个团队，组织的规模优势就被削弱了。大厂靠人多堆出来的执行力不再是护城河。一个人的公司可以和大厂在同一条起跑线上竞争——比的不再是谁人多，而是谁更懂需求、谁能更快把需求变成可执行的 Spec、谁的 Context 管理更高效。
这不只是理论。小猫补光灯从想法到动手不超过五分钟，1.5 小时用 AI 编程做出来，冲上 App Store 付费榜第一。靠的不是技术，是需求洞察。代码本身是零难度——一个纯色屏幕。
真正的杠杆不在代码量，在「定义问题的能力」。AI 能做执行，但「做什么」和「做成什么样算对」——这是人的事。
所以对于独立开发者来说，AI Native 时代的核心能力就三个：
- 需求洞察——知道谁在抱怨什么
- Spec 写作——能把模糊需求转化为精确规格
- Context 管理——能把知识和经验沉淀为 AI 可用的形式
技术本身不是壁垒。壁垒是你对问题的理解深度。
先做出来
说了这么多，结论其实很简单。
如果你是研发管理者，现在就应该开始做三件事：
- 把你团队的知识和决策标准写成 Spec，先存下来再说格式
- 找一两个项目试点 Spec-Driven Development，从 AI 写代码、人做 review 开始
- 重新思考绩效：是评估「写了多少代码」还是「交付了多少价值」
如果你是个体开发者，AI Native 时代对你只有一个建议：先做出来。 用 AI 编程做产品，在真实需求里验证你的 Spec 写作能力和 Context 管理能力。想都是问题，做才有答案。
创造就有概率获得机会，不创造概率永远是零。
关联阅读：